Instinct MI300X 192GB

Specificaties uitgelegd

Gebruikt voor AI training, inference en HPC

1. 01192 GB HBM3-geheugen

   VRAM

   192 GB

   Geheugentype

   HBM3

   Geheugenbandbreedte

   5.3 TB/s

   HBM (High Bandwidth Memory) is in lagen gestapeld en zit direct naast de processor in dezelfde behuizing. Dat korte, brede pad geeft accelerators met HBM hun geheugenbandbreedte, en daarom worden ze meestal gekozen voor werk dat wordt begrensd door hoe snel data de cores bereikt, zoals inferentie met grote modellen en HPC-simulaties.

   VRAM is de werkruimte op de kaart. Modelgewichten, activaties en datasets moeten erin passen of over meerdere GPU’s worden verdeeld. Vuistregel voor alleen de gewichten bij 16-bit precisie (ongeveer 2 GB per miljard parameters): tot ruwweg 96 miljard parameters, vóór activaties en cache. Dit is een rekensom op basis van het vastgelegde VRAM, geen benchmark.

2. 02CDNA 3-architectuur

   Architectuur

   CDNA 3

   Generatie

   Instinct MI300

   Lanceringsjaar

   2023

   Levenscyclusstatus

   Previous

   CDNA 3 gebruikt een chipletontwerp, met gestapeld HBM-geheugen naast de dies voor rekenkracht in één behuizing. (Algemene context over de architectuur, geen uitspraak over deze specifieke kaart.)

   Gelanceerd in 2023. De records van Kovara vermelden dit als een onderdeel van de vorige generatie.

3. 03Vormfactor en vermogen

   Vormfactor

   OAM Module

   TDP

   750 W

   Acceleratormodules worden op een baseboard gemonteerd in plaats van als kaarten in een slot gestoken, de opbouw die wordt gebruikt voor compacte servers met meerdere accelerators.

   TDP is het nominale thermische ontwerpvermogen: het planningscijfer voor stroomvoorziening en koeling in een server.

4. 04Waarvoor het wordt gebruikt

   Primair gebruik (vastgelegd)

   AI training / inference / HPC

   Dit zijn de toepassingen die Kovara voor dit onderdeel heeft vastgelegd. De toelichtingen beschrijven de workload in algemene termen; het zijn geen prestatieclaims.

   • AI trainingEen model leren op basis van data. Meestal de fase die de meeste rekenkracht en het meeste geheugen vraagt, vaak verdeeld over veel GPU’s.
   • inferenceEen getraind model draaien om verzoeken te beantwoorden. Geheugencapaciteit, latentie en kosten per verzoek zijn de gebruikelijke aandachtspunten.
   • HPCWetenschappelijke en technische simulatie, waarbij numerieke precisie en geheugenbandbreedte ertoe doen.

De cijfers zijn stamgegevens van Kovara, laatst geverifieerd op 03 sep 2026. De toelichtingen beschrijven de technologie in het algemeen; het zijn geen benchmarks en ze zeggen niets over prijs of beschikbaarheid.